网站建设意义模板,自己的网站怎么做商城,织梦珠宝网站模板,wordpress电话注册文章目录 1. 机器学习中的微平均策略#xff08;Micro Average Strategy#xff09;2. 机器学习中的宏平均策略#xff08;Macro Average Strategy#xff09;3、weighted 平均策略 1. 机器学习中的微平均策略#xff08;Micro Average Strategy#xff09;
在机器学习和… 文章目录 1. 机器学习中的微平均策略Micro Average Strategy2. 机器学习中的宏平均策略Macro Average Strategy3、weighted 平均策略 1. 机器学习中的微平均策略Micro Average Strategy
在机器学习和数据科学中微平均Micro Average是一种评估分类模型性能的方法。与宏平均Macro Average不同微平均在计算指标如精确率、召回率、F1 分数时先将所有类别的预测和实际值汇总然后计算整体指标。这种方法对类别不平衡的数据集尤其有用。具体特点包括
全局计算将所有类别的真阳性、假阳性和假阴性累加后再计算指标。 适用于类别不平衡由于微平均考虑了每个实例对样本数量不平衡的数据集更具代表性。 与宏平均的区别宏平均先对每个类别分别计算指标再取平均而微平均直接基于整体数据计算。 示例 假设有三个类别类别 A 有 100 个样本类别 B 有 10 个样本类别 C 有 1 个样本。使用微平均时所有样本被平等对待不论所属类别。
2. 机器学习中的宏平均策略Macro Average Strategy
在机器学习和数据科学中宏平均Macro Average通常指的是在评估分类模型性能时对每个类别的指标如精确率、召回率、F1分数先分别计算然后取平均值而不考虑各类别的样本数量。这种方法适用于类别不平衡的数据集。
如果“宏平均策略”是在这个领域提到的可能指的是在模型评估或优化过程中采用宏平均的方法来确保各类别的性能均衡。
3、weighted 平均策略
根据每个类别的比例权重平均
